Python实现FA萤火虫优化算法优化XGBoost分类模型(XGBClassifier算法)项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解 ),如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1 . 项目背景

萤火虫算法(Fire-fly algorithm,FA)由剑桥大学Yang于2009年提出 , 作为最新的群智能优化算法之一,该算法具有更好的收敛速度和收敛精度,且易于工程实现等优点。

本项目通过FA萤火虫优化算法优化XGBoost分类模型。

2 . 数据获取

本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:

|------------|--------------|------------|
| 编号 | 变量名称 | 描述 |
| 1 | x1 | |
| 2 | x2 | |
| 3 | x3 | |
| 4 | x4 | |
| 5 | x5 | |
| 6 | x6 | |
| 7 | x7 | |
| 8 | x8 | |
| 9 | x9 | |
| 10 | x10 | |
| 11 | y | 因变量 |

数据详情如下(部分展示):

3. 数据预处理

3.1 用P andas 工具查看数据

使用Pandas工具的head()方法查看前五行数据:

关键代码:

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息:

从上图可以看到,总共有11个变量,数据中无缺失值,共2000条数据。

关键代码:

3. 3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下:

4. 探索性数据分析

4 . 1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图:

4 .2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图:

4 .3 相关性分析

从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。

5. 特征工程

5.1 建立特征数据和标签数据

关键代码如下:

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:

6.构建FA萤火虫优化算法优化XGBoost分类模型

主要使用FA萤火虫优化算法优化XGBoost分类算法,用于目标分类。

6.1 FA萤火虫优化算法寻找最优的参数值

最优参数:

6.2 最优参数值构建模型

|------------|--------------|----------------------------------|
| 编号 | 模型名称 | 参数 |
| 1 | XGBoost分类模型 | n_estimators=best_n_estimators |
| 2 | XGBoost分类模型 | learning_rate=best_learning_rate |

7.模型评估

7.1 评估指标及结果

评估指标主要包括准确率、查准率、查全率、F1分值等等。

|--------------|--------------|-------------|
| 模型名称 | 指标名称 | 指标值 |
| 测试集 |||
| XGBoost分类模型 | 准确率 | 0.8400 |
| XGBoost分类模型 | 查准率 | 0.8408 |
| XGBoost分类模型 | 查全率 | 0.8408 |
| XGBoost分类模型 | F1分值 | 0.8408 |

从上表可以看出,F1分值为0.8408,说明模型效果较好。

关键代码如下:

7.2 分类报告

从上图可以看出,分类为0的F1分值为0.84;分类为1的F1分值为0.84。

7.3 混淆矩阵

从上图可以看出,实际为0预测不为0的 有32个样本;实际为1预测不为1的 有32个样本,整体预测准确率良好。

8. 结论与展望

综上所述,本文采用了FA萤火虫优化算法寻找XGBoost算法的最优参数值来构建分类模型,最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

python 复制代码
# 本次机器学习项目实战所需的资料,项目资源如下:
 
# 项目说明:

链接:https://pan.baidu.com/s/1YSWWhDN8YFdlqPhCoCYNRg 
提取码:7exh

更多项目实战,详见机器学习项目实战合集列表:

机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客


相关推荐
C嘎嘎嵌入式开发19 小时前
(2)100天python从入门到拿捏
开发语言·python
Stanford_110620 小时前
如何利用Python进行数据分析与可视化的具体操作指南
开发语言·c++·python·微信小程序·微信公众平台·twitter·微信开放平台
white-persist21 小时前
Python实例方法与Python类的构造方法全解析
开发语言·前端·python·原型模式
Java 码农1 天前
Centos7 maven 安装
java·python·centos·maven
倔强青铜三1 天前
苦练Python第63天:零基础玩转TOML配置读写,tomllib模块实战
人工智能·python·面试
递归不收敛1 天前
吴恩达机器学习课程(PyTorch 适配)学习笔记:3.3 推荐系统全面解析
pytorch·学习·机器学习
浔川python社1 天前
《网络爬虫技术规范与应用指南系列》(xc—3):合规实操与场景落地
python
B站计算机毕业设计之家1 天前
智慧交通项目:Python+YOLOv8 实时交通标志系统 深度学习实战(TT100K+PySide6 源码+文档)✅
人工智能·python·深度学习·yolo·计算机视觉·智慧交通·交通标志
IT森林里的程序猿1 天前
基于机器学习方法的网球比赛胜负趋势预测
python·机器学习·django
正牌强哥1 天前
Futures_ML——机器学习在期货量化交易中的应用与实践
人工智能·python·机器学习·ai·交易·akshare